Wulansari, Zunita (2017) Pengenalan Pola Tulisan Tangan Untuk Balita Halaman Judul Menggunakan Jaringan Syaraf Tiruan. Magister thesis, Universitas Brawijaya.
Abstract
Komponen dari keterampilan berbahasa adalah keterampilan berbicara, keterampilan menyimak, keterampilan membaca dan keterampilan menulis. Anak usia 4 hingga 5 tahun lebih mudah belajar membaca dan menulis dengan menggunakan media gambar, cerita, lagu atau suara dibandingkan dengan menggunakan buku acuan yang di jual di toko-toko. Anak usia 4 hingga 5 tahun membutuhkan pendamping dalam belajar membaca dan menulis. Kemampuan menulis permulaan merupakan bekal utama bagi anak untuk dapat memahami mata pelajaran yang diberikan di sekolah. Salah satu alternatif untuk membantu meningkatkan minat dan kemampuan anak dalam belajar membaca dan menulis adalah dengan menggunakan media pembelajaran berupa perangkat lunak. Perangkat lunak tersebut dapat memberikan pembelajaran menulis untuk anak prasekolah dengan tiga tingkat kesulitan berbeda yang bertujuan untuk mengasah kemampuan menulis anak. Metode backpropagation menghasilkan prosentase tertinggi untuk mengenali tulisan, sehingga dipilih metode backpropagation untuk mengenali huruf dan angka dalam penelitian ini. Metode backpropagation difungsikan untuk mengenali pola tulisan sehingga diketahui mean square error dari tulisan tersebut. Selain hal tersebut metode backpropagation dapat melatih jaringan syaraf multi-layer sehingga dapat mempelajari representasi internal yang sesuai dan memungkinkan untuk mempelajari pemetaan input yang tidak sesuai terhadap output. Proses pengenalan tulisan ini dilakukan dalam 5 tahap. Tahap pertama adalah tahap preprocessing. Pada tahap ini dilakukan penyederhanaan citra sehingga citra siap untuk dianalisis. Tahap kedua segmentasi citra, yaitu setiap huruf akan dikenali jika pendeteksian titik sudut menampilkan titik koordinat piksel untuk setiap sudut-sudut huruf. Tahap ketiga normalization hasil dari proses segmentasi yang dilakukan sebelumnya adalah posisi, lebar dan tinggi untuk masing-masing huruf. Setiap huruf hasil segmentasi akan dibaca oleh jaringan sebagai nilai input awal jaringan. Agar huruf tersebut dapat dibaca oleh jaringan maka huruf dinormalisasi menjadi citra grayscale 8 bit. Tahap keempat pengenalan karakter dengan neural network backpropagation dilakukan dengan melewati tahap pelatihan (training) terlebih dahulu kemudian dilanjutkan ke tahap pengenalan. Tahap kelima Character Recognition dilakukan ekstraksi terhadap bagian-bagian yang ada dalam pengenalan tulisan. Setelah pola tulisan dikenali karakternya, aplikasi akan mengekstraksi pengenalan pola tulisan sehingga tulisan dapat dikenali. Prosentase keberhasilan backpropagation untuk mengenali tulisan huruf kapital A-Z adalah 61,4256% huruf kecil a-z adalah 83,0042% dan angka 0-9 adalah 75%. Hasil uji terapan kepada anak usia 4-5 tahun dilakukan selama 6 hari yang dilaksanakan di TK dan PAUD. Dari hasil uji terapan kepasa anak usia 4-5 tahun didapatkan rata-rata 6,63 (dengan skala nilai 0 hingga 100) untuk peningkatan kemampuan siswa dari hari ke hari.
English Abstract
The linguistic ability components consist of speaking, observing, reading, and writing. For 4 to 5 year-old children, it is easier to learn the ability of reading and writing using multimedia, e.g. pictures, stories, songs, and voices, rather than using textbooks. They need good teachers in learning process. The early capability to write is a main requirement for children to understand subjects given in elementary school. One choice to help improve children’s interest and capability in reading and writing could be by utilizing software as the learning media. Such software can then be developed to challenge children with several different levels in order to accelerate their writing ability. The backpropagation method delivers the highest percentage in handwriting recognition among other methods, which makes it as the main option to implement in this research. This method is then used to recognize children’s handwriting pattern and then to give scores to them based on the MSE (mean squared error). Furthermore, this method can train multi-layer neuron network so it learns the appropriate internal representation and make it possible to analyze mismatches in input to output mapping. This handwriting recognition process will be done in five sequences. The first stage is preprocessing, which increases image clarity against noise and simplifies the image to make it ready to be analyzed. The second stage is image segmentation, which divide every character into segmented distinct images. The third stage is normalization of each previous segmentation result, and automatically defines position, width, and height of each character. Every segmented character image is read by the network as initial input value. The fourth stage is recognition, which is done by training process in backpropagation neural network previously, and this stage recognizes by comparing its network value with the current one, resulting the squared error. The final stage is the extraction process, which produce the calculation of MSE of entire handwriting sequence. Soon after the handwriting pattern recognized, the software then displays the scores of every child.
| Item Type: | Thesis (Magister) |
|---|---|
| Identification Number: | TES/006.425/WUL/p/2017/041802254 |
| Uncontrolled Keywords: | WRITING - DATA PROCESSING, ARTIFICIAL INTELLIGENT, COMPUTER SCIENCE, NEURAL NETWOEKS ( computer science), OPTICAL;PATTERN RECOGNITION, CHILDREN |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.4 Computer pattern recognition > 006.42 Optical pattern recognition > 006.425 Handwriting recognition |
| Divisions: | S2/S3 > Magister Teknik Elektro, Fakultas Teknik |
| Depositing User: | Nur Cholis |
| Date Deposited: | 03 Jan 2019 02:26 |
| Last Modified: | 21 Oct 2021 01:53 |
| URI: | http://repository.ub.ac.id/id/eprint/162454 |
Preview |
Text
ZUNITA WULANSARI.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |